先说清楚「货架式 AI 购物入口」在这里指什么：不是 App 里多了一个商城标签，而是用户的问题被直接导向可下单的商品与直播间，答案与货架合并成同一屏。截至 11 月 12 日电商派记录的这轮豆包改版，把这个入口做成了货架——顶部领券、下方商品与直播信息流、底部购物车与订单，长按商品还能追问。对做品牌可见度的人来说，监测对象因此从「品牌有没有被提到」变成「品牌有没有被摆上那个货架」。
入口变了，被引用的对象也变了
过去的 AI 问答里，品牌能争取的是被提到；货架形态的入口里，品牌要争取的是被摆上去。这两件事的判定标准不同：提到是内容层的事，摆上去是供给层的事——商品要能下单、库存要能履约、价格要能对齐。电商派的实测还发现，推荐的一部分来自用户在豆包内的搜索，另一部分来自抖音的浏览、搜索和购买行为，两套数据共同决定谁出现在货架上。
从回答问题到给出货架
货架形态把 AI 回答的引用逻辑切成两段。前一段是模型选择信源：哪些页面的内容被拿来组织答案；后一段是平台选择商品：哪些 SKU 被放进推荐位。前者靠内容结构与信源质量，后者靠商品数据与用户行为。品牌如果只做前一段，答案里可能有名字，货架上却没有位置，这种「有名无位」是今年新出现的一种失效形式。
推荐依据里的两套数据
站内搜索反映意图，站外行为反映偏好。用户反复咨询装修，豆包会推家具；用户在抖音看过某类商品，推荐会跟着偏。同一个品牌在两个数据源上的表现可能不一致：内容侧被引用得多，商品侧行为数据少，结果就是被提到但不被推荐。监测如果不区分这两层，会把问题误判成内容做得不够，于是继续加发内容，指标却不动。
品牌在 AI 回答里能被观察到的四个位置
| 位置 | 观察指标 | 证据来源 |
|---|---|---|
| 答案正文 | 品牌提及率 | 多平台问答抽样 |
| 引用清单 | 引用来源占比 | 回答内的信源链接 |
| 推荐货架 | 推荐位次 | 入口内商品序列 |
| 竞品对照 | 竞品占位 | 同问题下的品牌集合 |
四个位置对应四种优化动作：提升提及率要改内容结构，提升引用占比要改信源分布，争推荐位要改商品与行为数据，盯竞品占位要建问题库。把这四条混成一个「AI 可见度」总分，看起来简洁，实际无法指导动作——分数掉了却不知道掉在哪一层，这是当前多数监测面板的通病。分位置看，才知道是内容没被选中，还是商品没被放进货架。
口径要先解决三个不确定
第一个不确定是问题集。AI 回答高度依赖提问方式，「哪个牌子好」和「预算两千买什么」会得到不同的品牌集合，问题库不定，指标就没有可比性。第二个不确定是抽样量。单次提问的结果波动很大，至少要按同一问题重复多次、跨时段取样，才能看出稳定出现的品牌。第三个不确定是平台差异：同一问题在豆包、元宝、DeepSeek 上的答案结构不同，把多平台结果直接平均会掩盖差异，正确做法是分平台看趋势、合并看方向。
腾讯 10 月 20 日公开的元宝搜索机制提供了一个参照：内容入库前，模型会解析网页并保留标题、表格等结构，从站点、账号、页面三个层面评估质量，优先收录权威来源。这份说明给的是机制方向，不是权重公式——任何精确到小数点的打分表都缺乏依据。监测的价值在于持续观察变化，而不是算出唯一正确的分数，把机制当成公式用，反而会做出错误的优化决策。
中国信通院的数据显示，AI 搜索用户规模已突破 8 亿、渗透率 38.7%，用户获取信息的方式从浏览链接列表转向直接阅读整合后的答案。用户规模到这一步，货架式入口的推荐位就有了真实的商业价值，也意味着一次排序变化会影响一个品类的短期销量，监测频率必须跟上入口的更新节奏。
常见问题
GEO 和传统 SEO 的区别到底在哪？
SEO 争的是链接列表里的位置，GEO 争的是被 AI 答案引用、以及与答案同屏的推荐位。前者看排名，后者看提及、引用来源与推荐位次三类指标。
AI 回答里的引用来源怎么查？
先把同一问题在多个平台重复提问，记录回答正文里出现的品牌与链接；没有列出链接的回答，只能记为提及，不能算引用。
多平台可见度该怎么对比？
分平台建问题库、分平台算提及率，再看跨平台的方向是否一致。直接平均会把平台差异混成噪声。
优化后多久能看到变化？
内容侧通常需要一到两个抓取周期，商品侧取决于平台数据更新节奏。以周为单位观察趋势，不要用单日数据下结论。
货架推荐位能靠内容优化拿到吗？
很难。推荐位由商品数据与用户行为决定，内容只能影响答案正文与引用，两层要分开投入。
